“고령층 디지털 격차, AI로 풀었다”…설명가능한 머신러닝으로 헬스 리터러시 예측 - e-의료정보

고령층의 디지털 헬스 리터러시(Digital Health Literacy, DHL)를 보다 정밀하게 예측하고 그 결정 요인을 설명할 수 있는 인공지능 기반 분석 모델이 국내 연구진에 의해 개발됐다. 단순 예측을 넘어 ‘왜 그런 결과가 나왔는지’를 설명할 수 있다는 점에서 실제 의료현장 적용 가능성이 주목된다. 가톨릭대학교 가톨릭중앙의료원 기초의학사업추진단 인공지능뇌과학사업단 전지원 교수(교신저자, 의과대학 의료정보학교실)와 박충희 연구원(제1저자)을 포함한 연구팀은 파일럿 코호트와 대규모 설문 데이터를 결합해 고령층 DHL을 예측하는 ‘설명가능한 머신러닝(Explainable AI)’ 모델을 구축했다고 밝혔다. 최근 디지털 헬스케어 서비스가 빠르게 확산되면서, 건강 정보를 검색·이해·활용하는 능력인 DHL의 중요성도 커지고 있다. 그러나 기존 평가는 자기보고식 설문에 의존해 실제 수행 능력을 충분히 반영하지 못한다는 한계가 있었다. 연구팀은 이를 보완하기 위해 자기보고식 평가와 실제 수행 기반 지표를 통합한 분석 프레임워크를 설계했다. 특히 60~74세 고령자 30명을 대상으로 한 파일럿 평가와, 55~74세 1,000명을 대상으로 한 대규모 설문 데이터를 결합해 보다 현실적인 DHL 수준을 반영하도록 했다. 연구는 2단계로 진행됐다. 1단계에서는 베이지안 선형회귀를 통해 DHL에 영향을 미치는 주요 변수를 선별했고, 2단계에서는 이를 기반으로 KeHEALS(한국형 e헬스 리터러시 척도) 수준을 예측하는 이진 분류 모델을 구축했다. 이후 총 5개 머신러닝 알고리즘을 비교 평가한 결과, 범주형 데이터 처리에 강점을 가진 CatBoost 모델이 가장 높은 예측 성능(AUC 0.84)을 보였다. 특히 연구팀은 SHAP(Shapley Additive Explanations) 분석을 적용해 각 변수의 기여도를 정량적으로 제시했다. 이를 통해 단순히 “누가 DHL이 높은가”를 넘어서 “어떤 요인이 DHL 수준을 결정하는가”를 구체적으로 설명할 수 있게 됐다. 논문에 따르면, 건강 관련 앱에 대한 관심과 디지털 기기 사용 경험, 규칙적인 운동은 DHL을 높이는 주요 요인으로 나타났다. 반면 연령 증가, 흡연, 음주 등은 DHL 수준을 낮추는 요인으로 작용했다. 특히 디지털 기기 활용 경험과 건강 정보 탐색 행동이 DHL 수준에 미치는 영향력이 큰 것으로 분석돼, 단순 교육보다 ‘사용 경험 중심 개입’의 중요성이 강조됐다. 또한 연구는 주관적 인식(자기보고식)과 객관적 수행 능력 간에 차이가 존재함을 확인하고, 이를 통합적으로 해석할 필요성을 제시했다. 이는 향후 디지털 헬스 정책 수립 시 단순 설문 결과에 의존하기보다 실제 수행 능력을 함께 고려해야 함을 시사한다. 이번 연구는 설명가능한 AI를 통해 고령층의 디지털 건강 역량을 정밀하게 분석했다는 점에서 의미가 크다. 기존 인공지능이 ‘정확도’ 중심이었다면, 이번 모델은 ‘해석 가능성’을 확보해 정책 및 임상 적용 가능성을 한층 높였다. 전지원 교수는 “디지털 전환이 가속화되는 환경에서 고령층은 기술 혜택에서 소외될 위험이 크다”며 “설명가능한 AI를 활용해 디지털 격차의 원인을 정밀하게 파악하고, 개인별 특성에 맞는 맞춤형 디지털 돌봄 전략 수립에 기여할 수 있을 것”이라고 말했다. 이어 “앞으로도 의료 데이터 기반 AI가 실제 환자와 국민에게 도움이 되는 방향으로 발전할 수 있도록 연구를 이어가겠다”고 밝혔다. 한편 이번 연구 결과는 국제학술지 JMIR Medical Informatics 2026년 3월호에 게재됐다.